机械状态预测技术能够结合机械设备实际运行情况,预测设备运行的发展趋势,及早发现设备劣化行为,为设备的维修、维护工作提供合理依据。随着设备状态参数呈现指数型爆炸增长的现状,传统的预测方法在面对机械状态数据量大、劣化趋势微弱难发现以及长周期预测等难题时,往往出现预测精度不准、效率不高等难题。本文针对以上问题,运用深度学习中长短时记忆神经网络（Long Short-Term Memory,LSTM）构建自回归趋势预测模型,通过滚动轴承试验将该方法与传统预测方法进行比较后,验证该方法的在预测精度方面的优势。然而,基于LSTM的自回归趋势预测方法在机械设备状态的长周期预测方面出现精度差、效果不佳的问题,针对这一难题提出基于堆叠GRU的多元回归趋势预测方法,运用观测模型、中间层以及系统模型构建多元回归长周期趋势预测模型,通过刀具磨损状态实验对该方法进行验证,在与传统方法以及自回归趋势预测方法比较后,验证所提方法在机械状态长周期预测的效果,具体开展的研究内容如下:1)研究了基于LSTM的自回归预测方法,主要以LSTM作为核心部件构建自回归趋势预测模型,对机械设备状态参数进行特征提取、特征优化、模型训练、模型测试后,针对滚动轴承全寿命周期数据开展相关实验对比,实验结果证明:所提出的基于LSTM的机械状态自回归预测模型不仅提高的预测的精度,大大降低了在线计算的时间和预测的成本,从而改善了机械设备状态预测的精度和效率。2)研究了基于堆叠GRU神经网络的多元回归趋势预测方法,该模型中包含观测模型、系统模型以及中间层,三个部分互相作用实现对于机械设备状态时间序列信号的长期记忆。运用刀具磨损实验对所提出的模型方法进行了验证,证明了所提模型在机械设备运行状态预测方面的优势。3)开发了基于LSTM的智能预测软件系统,针对滚动轴承设备开展信号监测功能、特征提取及优化、状态趋势预测以及维护建议。该软件系统中的机械设备状态趋势预测模块作为本系统的核心模块,主要对采集到的能够表征机械设备运行原始数据的表征信号进行相应的训练,挖掘信号特征中的隐含关系,实现对机械设备未来的运行状态进行相应的预测。

压气站场作为天然气运输的动力心脏,其工艺流程和设备设施复杂繁多,亟需一套高效、直观、信息化的压气站场风险智能决策系统。为了提升压气站场的风险管控能力,融合数字孪生理念,基于风险的检验技术和以可靠性为中心的维修方法,采用现代化数字测量技术建立压气站场数字化模型,以传感通信技术为纽带构建实时信息的数字孪生体,研发了适用于压气站场设备设施的可视化风险分析系统。研究结果表明:（1）多尺度数字模型构建方法能够实现压气站场数字化模型的实景复制,以完成数字孪生理念中虚拟产品的构建;（2）结合先进的传感和数据读存技术能够实现压气站场及其设备设施设计参数、运行参数和环境参数等多源异构数据的整合,以实现信息数据与数字化压气站场模型的融合集成;（3）压气站场的静动设备风险分析评价应以完成基于风险的检验和以可靠性为中心的维修来实现压气站场设备设施减缓控制风险措施的制订;（4）计算机技术可以实现压气站场设备设施风险分析决策的可视化和自主化。结论认为,该研究成果可以整合压气站场的多源异构数据、提高压气站场的安全管理和信息化水平,有助于推动压气站场的智慧化建设。

针对烟气轮机中存在的样本小、非线性、运行工况复杂、有效监测数据获取困难等问题，本项目基于数字孪生技术将物理空间中的物理实体在信息空间中进行全要素重建，形成具有感知、分析、执行能力的数字孪生体，为烟气轮机安全监测与智能诊断难题的解决提供了新思路。首先根据烟气轮机的生产工艺过程，合理划分烟气轮机系统的功能和边界，结合现场资料及数据对烟气轮机各功能系统各部件进行故障模式分析和风险等级评定，进而基于多物理场耦合理论完成烟气轮机典型部件的三维立体数字孪生物理模型构建。其次，为使数字孪生模型能够实时反映实际空间中的物理系统，提出了一种基于多参数敏感度分析的模型更新方案，将孪生模型模拟的动态响应和物理系统间所测量的瞬态响应之差最小值视为目标函数，利用试验获得的多参数样本，重构能够反映修正参数与目标变量关系的响应面并迭代优化，实现有限元模型参数的更新。再者，利用构建的实时映射模型分析烟气轮机故障与信号表征间的逻辑映射关系，结合烟气轮机数据来源多样、工况多变等情况，分别提出了基于多模态深度学习的多源信息融合诊断模型以及基于增强多分辨率深度卷积网络的智能诊断模型，全面提升模型性能以及模型的泛化能力，并增强数据融合的可解释性，解决特征提取—数据融合—诊断决策难以联合优化的问题。最后，基于数字孪生模型研究多物理场耦合作用下设备性能退化过程以及故障动态演化过程，提出基于物理引导神经网络模型的烟气轮机部件劣化趋势预测方法，实现烟气轮机退化状态的精准估计与早期预警。

全球制造业正在向着智能化、规模化的方向快速发展,但是数控设备之间存在数据接口不统一、设备数据交互困难、现场设备状态监测成本较高等难题。现提出一种基于数字孪生的数控设备互联互通及可视化技术,首先利用三维激光扫描技术构建车间数控设备数字孪生模型,通过OPC UA通讯构架读取数控设备的实时运行数据,并转化格式后存入数据库作为指导虚拟现实引擎的源数据,使用Unity数据驱动引擎去驱动数字孪生模型,从而实现物理模型与数字孪生模型的同步运动。最后,对车间数控设备的生产过程进行了数字孪生技术的实现,验证了所提方案的有效性和正确性,为面向互联互通的数字孪生数控设备提供了技术支持。

针对油气集输系统中在用的大型输油泵出现的效率低、能耗高等问题,需要对其进行现场性能测试和效率评估,以改善运行状况。通过调研国内外相关研究案例,重点围绕测试方法和评价指标进行了归纳和总结。研究发现,当前国内仍以传统方法为主,国外传统方法和热力学法应用均已比较普遍,其中,加拿大水泵测试项目不仅获得了统计效应级的测试数据,还提出了最具优势的泵效评价指标——PEI指标,极大地推进了热力学法在泵性能测试领域的应用进程。提出了一套综合性的输油泵性能评价指标体系,旨在为输油泵综合性能进行科学、全面的评价提供参考。

Predictive maintenance has raised much research interest to improve the system reliability of a wind turbine. This paper presents a new model based approach of integrated fault diagnosis and prognosis for wind turbine remaining useful life estimation, especially the cases with limited degradation data. Firstly, a wavelet transform based fault diagnosis method is investigated to analyze the bearing incipient defect signatures, and the extracted features are then fused by the Health Index algorithm to represent the bearing defect conditions. Taking the empirical physical knowledge and statistical model in a Bayesian framework, the bearing remaining useful life prediction with uncertainty quantification is achieved by particle filter in a recursive manner. The integrated fault diagnosis and prognosis approach is validated using bearing lifetime test data acquired from a wind turbine in field, and the performance comparison with typical data driven technique outlines the significance of the presented method. © 2019 Elsevier Ltd